这份在Twitter上找到的最新提示词速查表帮助你设计和优化与ChatGPT互动的提示词，以获得更优质的生成内容。
通过遵循这些规则，你可以更好地发挥语言模型的潜力，适用于从产品描述到对话生成的各种任务。
如何进行提示工程
提示词工程通过设计和优化提示词来提升大语言模型的性能。它在自然语言处理（NLP）和语言生成中很重要。提示格式指导模型，可用于产品描述或对话式AI等任务。虽然存在可靠的提示格式，但鼓励探索新的格式。"{your input here}"是文本或上下文的占位符。
提示词工程的规则与示例
规则1 - 指令放在开头，并使用 ### 或 """ 分隔上下文
这样做可以帮助模型更清晰地理解你的要求。
错误示例：
Rewrite the text below in more engaging language.
{your input here}
正确示例：
Rewrite the text below in more engaging language.
Text："""
{your input here}
"""
规则2 - 提供具体的细节和期望的输出
提供具体的上下文、期望的结果、长度、格式和风格。越具体，模型就越能准确地满足你的需求。
错误示例：
Write a short story for kids.
正确示例：
Write a funny soccer story for kids that teaches the lesson that persistence is key for success, in the style of Rowling.
规则3 - 给出期望输出格式的例子
通过提供输出示例，你可以更好地引导模型生成符合你期望的内容格式。
错误示例：
Extract house pricing data from the following text.
Text:"""
{your text containing pricing data}
"""
正确示例：
Extract house pricing data from the following text. Desired format:
Desired format:
House 1 | $1,000,000 | 100 sqm
House 2 | $500,000 | 90 sqm
...(and so on)
Text:"""
{your text containing pricing data}
"""
规则4 - 循序渐进的示例策略
首先尝试不使用示例的简单提示，如果结果不理想，再逐步增加示例。这种方法有助于了解模型的基线能力，并在必要时提供更多指导。
示例：
Extract brand names from the text below.
Text: "{your text here}"
Brand names:
提供示例以提高效果：
Extract brand names from the texts below.
Text 1: Finxter and YouTube are tech companies.
Google is too.
Brand names 1: Finxter, YouTube, Google
Text 2: If you like tech, you'll love Finxter!
Brand names 2: Finxter
Text 3: {your text here}
Brand names 3:
规则5 - 如果规则4无效，可以通过微调提升性能
如果前面的规则效果不佳，可以考虑使用微调技术。
微调可以通过训练更多的示例来改进模型性能，从而产生更高质量的结果，节省token使用并降低请求延迟。 GPT-4 可以通过少量示例直观地生成合理的完成，这被称为少样本学习。 微调在不需要提示中包含大量示例的情况下取得更好的结果，从而节省成本并实现更低延迟的请求。 示例训练数据：
{"prompt":"<input>", "completion":"<ideal output>"}
{"prompt":"<input>", "completion":"<ideal output>"}
{"prompt":"<input>", "completion":"<ideal output>"}
规则6 - 保持简洁，避免冗余词语
避免使用不必要的词语，保持提示简洁明了。
错误示例：
ChatGPT, write a sales page for my company selling
sand in the desert, please write only a few sentences,
nothing long and complex.
正确示例：
Write a 5-sentence sales page, sell sand in the desert.
规则7 - 使用前导词来引导模型遵循特定模式
使用特定的前导词可以帮助模型更好地理解任务类型和预期输出格式。
错误示例：
Write a Python function that plots my net worth over 10 years for different inputs on the initial investment and a given ROI
正确示例：
Python function that plots net worth over 10 years for different inputs on the initial investment & given ROI
import matplotlib.pyplot as plt
def plot_net_worth(initial, roi):
总结和延申思考
通过掌握这7条黄金法则，你将能够更有效地使用ChatGPT，获得更精准、更有价值的输出。记住，优秀的提示不仅能节省时间和资源，还能带来更高质量的结果。
大模型的能力越来越强大，我们需要持续探索和优化提示词技巧，这仍然是使用大模型的必备基础能力。自己动手学习和实践是最好的方法，第一手的提示词经验能够最有效地提升你的技能。
在国内我经常用Kimi的提示词专家来帮忙写提示词的初稿，登录https://kimi.moonshot.cn，点左侧花瓣，到达Kimi+页面，找到【提示词专家】直接使用或收藏。可以用提示词专家帮忙生成一个70分的提示词初稿，有时间或需要的话，可以通过不断迭代和优化，逐步提高提示词的质量，达到80分，甚至90分。Kimi等工具不仅能生成提示词，还能通过图像来展示流程，帮助理解和优化。
关于最新发布的o1模型，尽管它已经内置了COT（思维链）等高级功能，但这并不意味着提示词工程就变得无关紧要了。事实上，人与大语言模型之间的有效沟通仍然依赖于精心设计的提示词。o1-preview模型的评估结果对AI产品提示词工程师提供了重要启示：
提示词设计的重要性：o1-preview的性能很大程度上取决于提示词的质量。即便是如此先进的模型，没有正确的提示词也无法发挥其全部潜力。 领域知识的重要性：处理特定领域的问题时，深入的专业知识仍然必不可少。提示词工程师需要与领域专家密切合作，将专业知识巧妙地融入提示词设计中。 人机协作的必要性：尽管o1-preview非常强大，但它并非万能。识别模型的局限性，适时进行人工干预，仍然是确保输出质量的关键。
读完了若有收获，欢迎点赞、在看、转发、分享🌟
